一种高分辨率遥感图像特征匹配方法组成比例

本发明专利技术公开了一种高分辨率遥感图像特征匹配方法，该方法包括：在参考图像上提取显著目标区域；提取参考图像和输入图像的SIFT特征点；为参考图像的每一SIFT特征点在输入图像的SIFT特征点集合中寻找多个候选匹配点；为参考图像显著目标区域内的SIFT特征点集合在对应的所述候选匹配点组成的候选匹配点集合中搜索最优匹配点；对每个显著目标区域得到其最优匹配点集合，每个显著目标区域对应的SIFT特征最优匹配点集合的并集作为最后的特征匹配集合。本发明专利技术基于目标显著区域内的SIFT特征进行匹配，过滤了大量冗余信息，提高了匹配性能；减少了外点，提高了对视角变化、图像形变的鲁棒性。本发明专利技术可以广泛应用于图像配准、三维重建等诸多应用系统中。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，该方法包括：在参考图像上提取显著目标区域；提取参考图像和输入图像的SIFT特征点；为参考图像的每一SIFT特征点在输入图像的SIFT特征点集合中寻找多个候选匹配点；为参考图像显著目标区域内的SIFT特征点集合在对应的所述候选匹配点组成的候选匹配点集合中搜索最优匹配点；对每个显著目标区域得到其最优匹配点集合，每个显著目标区域对应的SIFT特征最优匹配点集合的并集作为最后的特征匹配集合。本专利技术基于目标显著区域内的SIFT特征进行匹配，过滤了大量冗余信息，提高了匹配性能；减少了外点，提高了对视角变化、图像形变的鲁棒性。本专利技术可以广泛应用于图像配准、三维重建等诸多应用系统中。【专利说明】
本专利技术涉及遥感图像处理、特征匹配、图像配准等
，特别是。
技术介绍
图像配准是将同一地点、不同时间或不同传感器拍摄的两幅图像(一幅为参考图像，另一幅为输入图像)进行几何匹配的过程。图像配准是图像融合、变化检测等应用的前提和基础，图像配准的精度对后续的应用具有重要的影响。目前的图像配准算法可分为基于像素的配准方法和基于特征的配准方法。由于噪声、拍摄条件、季节变化、视角变化、平台抖动等因素的影响，基于特征的配准方法更适合遥感图像配准。近年来，SIFT特征(尺度不变特征变换，Scale Invariant FeatureTransform)在基于特征的遥感图像配准中得到了广泛应用。特征匹配是影响配准精度的重要因素，传统的SIFT特征匹配一般基于参考图像和输入图像的SIFT特征集合利用k-dtree数据结构和最近邻匹配原则进行匹配。由于遥感图像中重复性结构多，传统的全局匹配方法易受背景影响，错误匹配率较高。遥感图像中显著目标一般具有独特的几何结构，匹配的SIFT特征集合之间应满足一定的几何拓扑约束。从SIFT特征集合中过滤掉植被、沙漠等背景，综合利用显著目标区域的SIFT特征集合之间的外观、几何拓扑相似性是提高匹配正确性的重要途径，但目前还没有有效的相关算法。
技术实现思路
本专利技术的目的是针对遥感图像特征匹配的难点和显著目标区域SIFT特征的几何拓扑特性，提供一种有效的高分辨率遥感图像特征匹配方法。为了实现上述目的，本专利技术提出，该方法包括以下步骤:步骤SI，在参考图像上提取显著目标区域；步骤S2，提取所述参考图像和输入图像的SIFT特征点；步骤S3，根据最近邻匹配原则为所述参考图像的每一个SIFT特征点在输入图像的SIFT特征点集合中寻找多个候选匹配点；步骤S4，为所述参考图像显著目标区域内的SIFT特征点集合在对应的所述候选匹配点组成的候选匹配点集合中搜索最优匹配点；步骤S5:对每个显著目标区域按照所述步骤S4得到其最优匹配点集合，每个显著目标区域对应的SIFT特征最优匹配点集合的并集作为最后的特征匹配集合。本专利技术所述方法对于提高特征匹配的数目和正确匹配率具有重要的意义，其主要优点如下:本专利技术基于目标显著区域内的SIFT特征进行匹配，过滤了大量冗余信息，提高了匹配性能；利用目标显著区域内的SIFT特征集合之间的外观特征、几何拓扑特征的相似性进行区域匹配，减少了外点；利用显著目标区域内的SIFT特征的外观特征、几何拓扑特征在输入图像中搜索SIFT特征集合，提高了对视角变化、图像形变的鲁棒性；得益于上述优点，本专利技术极大地提高了现有高分辨率遥感图像特征匹配的精度，可广泛应用于图像配准、目标识别、目标跟踪等系统中。【专利附图】【附图说明】图1是本专利技术提出的高分辨率遥感图像特征匹配方法的流程图；图2是根据本专利技术一实 施例的遥感图像显著目标区域提取结果示意图；图3是根据本专利技术一实施例的DOG金字塔构建示意图；图4是根据本专利技术一实施例的SIFT特征提取中极值点提取示意图；图5是根据本专利技术一实施例的SIFT特征提取中主方向检测示意图；图6是根据本专利技术一实施例的为SIFT特征点构造描述向量的示意图；图7是根据本专利技术一实施例的最近邻匹配结果示意图；图8是根据本专利技术一实施例的区域匹配结果示意图。【具体实施方式】为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。图1是本专利技术提出的高分辨率遥感图像特征匹配方法的流程图，如图1所示，所述方法包括以下步骤:步骤SI，在参考图像上提取显著目标区域；该步骤中，以图像灰度的离散余弦变换的符号函数为目标区域显著性度量标准来提取所述显著目标区域；所述步骤SI进一步包括以下步骤:步骤S11，对于所述参考图像X，计算其显著特征图像X = lDCT(sign{DCT(X))),其中，DCT(.)和IDCT(.)分别表示离散余弦变换和离散余弦逆变换，Sign(X)表示符号函数，取值为变量X的符号；步骤S12，基于所述显著特征图像计算显著特征映射图像f =其中，ο表示Hadamard点乘运算符，g表示高斯核函数，*表示卷积运算；步骤S13，基于所述显著特征映射图像提取所述参考图像的显著目标区域。该步骤中，首先对所述显著特征映射图像i.进行直方图统计，直方图的灰度级数可设为3 ；然后将直方图的频数较多的部分认为是背景，频数较少的像素组成的区域为显著目标区域。根据本专利技术一实施例的遥感图像显著目标区域提取结果的示意图如图2所示。步骤S2，提取所述参考图像和输入图像的SIFT特征点；所述步骤S2进一步包括以下步骤:步骤S21，分别构建所述参考图像和输入图像的DOG (Difference of Gaussian,高斯差分)金字塔；设图像为I (x，y)，则DOG金字塔中第k层高斯差分图像表示为【权利要求】1.，其特征在于，该方法包括以下步骤: 步骤SI，在参考图像上提取显著目标区域； 步骤S2，提取所述参考图像和输入图像的SIFT特征点； 步骤S3，根据最近邻匹配原则为所述参考图像的每一个SIFT特征点在输入图像的SIFT特征点集合中寻找多个候选匹配点； 步骤S4，为所述参考图像显著目标区域内的SIFT特征点集合在对应的所述候选匹配点组成的候选匹配点集合中搜索最优匹配点； 步骤S5:对每个显著目标区域按照所述步骤S4得到其最优匹配点集合，每个显著目标区域对应的SIFT特征最优匹配点集合的并集作为最后的特征匹配集合。2.根据权利要求1所述的方法，其特征在于，所述步骤SI进一步包括以下步骤: 步骤Sll，对于参考图像X，计算其显著特征图像I = IDCT(sign(DCT(J)))，其中，DCT(.)和IDCT(.)分别表示离散余弦变换和离散余弦逆变换，Sign(X)表示符号函数，取值为变量X的符号； 步骤S12，基于所述显著特征图像计算显著特征映射图像f =又)，其中，?表示Hadamard点乘运算符，g表示高斯核函数，*表示卷积运算； 步骤S13，基于所述显著特征映射图像提取所述参考图像的显著目标区域。3.根据权利要求2所述的方法，其特征在于，所述步骤S13中，首先对所述显著特征映射图像I进行直方图统计 ；然后将直方图的频数较多的部分认为是背景，频数较少的像素组成的区域为显著目标区域。4.根据权利要求1所述的方法，其特征在于，所述步骤S2进一步包括以下步骤: 步骤S21，分别构建所述参考图像和输入图像的高斯差分D本文档来自技高网...

【技术保护点】
一种高分辨率遥感图像特征匹配方法，其特征在于，该方法包括以下步骤：步骤S1，在参考图像上提取显著目标区域；步骤S2，提取所述参考图像和输入图像的SIFT特征点；步骤S3，根据最近邻匹配原则为所述参考图像的每一个SIFT特征点在输入图像的SIFT特征点集合中寻找多个候选匹配点；步骤S4，为所述参考图像显著目标区域内的SIFT特征点集合在对应的所述候选匹配点组成的候选匹配点集合中搜索最优匹配点；步骤S5：对每个显著目标区域按照所述步骤S4得到其最优匹配点集合，每个显著目标区域对应的SIFT特征最优匹配点集合的并集作为最后的特征匹配集合。

【技术特征摘要】

【专利技术属性】
技术研发人员：霍春雷，霍雷刚，潘春洪，周志鑫，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：